pandas学习记要

本文翻译自文章： Pandas Cheat Sheet - Python for Data Science，同时添加了部分注解。

对于数据科学家，无论是数据分析还是数据挖掘来说，Pandas是一个非常重要的Python包。它不仅提供了很多方法，使得数据处理非常简单，同时在数据处理速度上也做了很多优化，使得和Python内置方法相比时有了很大的优势。

如果你想学习Pandas，建议先看两个网站。

（1）官网： Python Data Analysis Library

（2）十分钟入门Pandas： 10 Minutes to pandas

在第一次学习Pandas的过程中，你会发现你需要记忆很多的函数和方法。所以在这里我们汇总一下 Pandas官方文档中比较常用的函数和方法，以方便大家记忆。同时，我们提供一个PDF版本，方便大家打印。 pandas-cheat-sheet.pdf

关键缩写和包导入

在这个速查手册中，我们使用如下缩写：

df：任意的Pandas DataFrame对象

同时我们需要做如下的引入：

import pandas as pd

导入数据

• pd.read_csv(filename)：从CSV文件导入数据
• pd.read_table(filename)：从限定分隔符的文本文件导入数据
• pd.read_excel(filename)：从Excel文件导入数据
• pd.read_sql(query, connection_object)：从SQL表/库导入数据
• pd.read_json(json_string)：从JSON格式的字符串导入数据
• pd.read_html(url)：解析URL、字符串或者HTML文件，抽取其中的tables表格
• pd.read_clipboard()：从你的粘贴板获取内容，并传给read_table()
• pd.DataFrame(dict)：从字典对象导入数据，Key是列名，Value是数据

导出数据

• df.to_csv(filename)：导出数据到CSV文件
• df.to_excel(filename)：导出数据到Excel文件
• df.to_sql(table_name, connection_object)：导出数据到SQL表
• df.to_json(filename)：以Json格式导出数据到文本文件

创建测试对象

• pd.DataFrame(np.random.rand(20,5))：创建20行5列的随机数组成的DataFrame对象
• pd.Series(my_list)：从可迭代对象my_list创建一个Series对象
• df.index = pd.date_range('1900/1/30', periods=df.shape[0])：增加一个日期索引

查看、检查数据

• df.head(n)：查看DataFrame对象的前n行
• df.tail(n)：查看DataFrame对象的最后n行
• df.shape()：查看行数和列数
• http:// df.info()：查看索引、数据类型和内存信息
• df.describe()：查看数值型列的汇总统计
• s.value_counts(dropna=False)：查看Series对象的唯一值和计数
• df.apply(pd.Series.value_counts)：查看DataFrame对象中每一列的唯一值和计数

数据选取

• df[col]：根据列名，并以Series的形式返回列
• df[[col1, col2]]：以DataFrame形式返回多列
• s.iloc[0]：按位置选取数据
• s.loc['index_one']：按索引选取数据
• df.iloc[0,:]：返回第一行
• df.iloc[0,0]：返回第一列的第一个元素

数据清理

• df.columns = ['a','b','c']：重命名列名
• pd.isnull()：检查DataFrame对象中的空值，并返回一个Boolean数组
• pd.notnull()：检查DataFrame对象中的非空值，并返回一个Boolean数组
• df.dropna()：删除所有包含空值的行
• df.dropna(axis=1)：删除所有包含空值的列
• df.dropna(axis=1,thresh=n)：删除所有小于n个非空值的行
• df.fillna(x)：用x替换DataFrame对象中所有的空值
• s.astype(float)：将Series中的数据类型更改为float类型
• s.replace(1,'one')：用‘one’代替所有等于1的值
• s.replace([1,3],['one','three'])：用'one'代替1，用'three'代替3
• df.rename(columns=lambda x: x + 1)：批量更改列名
• df.rename(columns={'old_name': 'new_ name'})：选择性更改列名
• df.set_index('column_one')：更改索引列
• df.rename(index=lambda x: x + 1)：批量重命名索引

数据处理：Filter、Sort和GroupBy

• df[df[col] > 0.5]：选择col列的值大于0.5的行
• df.sort_values(col1)：按照列col1排序数据，默认升序排列
• df.sort_values(col2, ascending=False)：按照列col1降序排列数据
• df.sort_values([col1,col2], ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据
• df.groupby(col)：返回一个按列col进行分组的Groupby对象
• df.groupby([col1,col2])：返回一个按多列进行分组的Groupby对象
• df.groupby(col1)[col2]：返回按列col1进行分组后，列col2的均值
• df.pivot_table(index=col1, values=[col2,col3], aggfunc=max)：创建一个按列col1进行分组，并计算col2和col3的最大值的数据透视表
• df.groupby(col1).agg(np.mean)：返回按列col1分组的所有列的均值
• data.apply(np.mean)：对DataFrame中的每一列应用函数np.mean
• data.apply(np.max,axis=1)：对DataFrame中的每一行应用函数np.max

数据合并

• df1.append(df2)：将df2中的行添加到df1的尾部
• df.concat([df1, df2],axis=1)：将df2中的列添加到df1的尾部
• df1.join(df2,on=col1,how='inner')：对df1的列和df2的列执行SQL形式的join

数据统计

• df.describe()：查看数据值列的汇总统计
• df.mean()：返回所有列的均值
• df.corr()：返回列与列之间的相关系数
• df.count()：返回每一列中的非空值的个数
• df.max()：返回每一列的最大值
• df.min()：返回每一列的最小值
• df.median()：返回每一列的中位数
• df.std()：返回每一列的标准差